Tri-Fort تخمین هزینه‌های ساخت‌ساز را از یادگیری ماشین به موتور ترکیبی تغییر داد

اگر محصول هوش مصنوعی شما بر اساس داده‌های تاریخی است، ممکن است مدل شما به جای واقعیت، از توهمات یاد بگیرد. این درس سختی بود که تیم Tri-Fort، پلتفرم تخمین هزینه ساخت‌ساز در کنیا، در ۱۸ آوریل ۲۰۲۶ با آن مواجه شد.

بسیاری از توسعه‌دهندگان تصور می‌کنند حجم زیاد داده لزوماً به معنای مدل قابل‌اتمیک است؛ درست مثل آشپزی که فکر می‌کند هر ترکیبی از مواد اولیه لزوماً یک غذای خوشمزه می‌سازد. در صنعت ساختمان، داده‌ها اغلب ترکیبی آشفته از فایل‌های PDF و اسناد اسکن‌شده هستند. به گزارش وب‌سایت dev.to، تیم این پروژه متوجه شد که «معدن طلای» داده‌هایشان شامل تخمین‌های اولیه بوده است، نه هزینه‌های نهایی پرداخت شده که برای پیش‌بینی دقیق ضروری است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های داده‌های آموزشی در مدل‌های تخصصی اشاره کردیم، تکیه صرف بر داده‌های خام بدون پالایش منجر به شکست می‌شود. برای حل این مشکل، Tri-Fort به معماری ترکیبی کوچ کرد که سه منبع هوشمندی را ادغام می‌کند:

• هوش کتابخانه‌ای: استخراج قوانین ساختارمند از نرخ‌های معیارهای رسمی نقشه‌برداری مقادیر (QS).
• هوش پروژه‌های تاریخی: داده‌های بازیابی‌شده از صورت‌جلسات مقدار (BoQ) تأیید شده.
• هوش ویژگی-کاربر: ورودی‌های لحظه‌ای از سوی تخمین‌گر پروژه.

طبق اعلام این شرکت، سامانه اکنون از یک گراف قاعده‌مند برای ارائه تخمین‌های تفسیرپذیر استفاده می‌کند. به جای یک عدد ناشناخته از «جعبه سیاه»، موتور جدید ردپای استدلالی تولید می‌کند؛ مثلاً اضافه کردن ۲۰٪ برای تعدیل مکان نایروبی یا ۱۵٪ برای متریال‌های لوکس. این رویکرد برای جلب اعتماد کاربرانی که مبالغ کلانی را مدیریت می‌کنند، حیاتی است.

این چرخش ثابت می‌کند که وقتی داده‌های باکیفیت کم است، تخصص دامنه (Domain Expertise) بر یادگیری ماشین پیروز می‌شود. آن‌ها با تبدیل یک کتابچه حرفه‌ای به منبع دانش ساختاریافته، سیستمی ساختند که تخصص انسانی را تقویت می‌کند، نه اینکه سعی کند آن را با مدلی ضعیف جایگزین کند.

گام بعدی شما

• مجموعه‌داده‌های آموزشی خود را برای «دوری یا چرخه» (Circularity) بررسی کنید تا مطمئن شوید AI شما فقط تقلید از تخمین‌های دیگر مدل‌ها نیست.
• ارزیابی کنید که آیا داده‌های شما شامل نتایج نهایی است یا صرفاً پیش‌بینی‌های اولیه.
• در پروژه‌های حساس، به جای مدل‌های سیاه، به دنبال ایجاد ردپای استدلالی باشید تا اعتماد کاربر جلب شود.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.